【标题】R5: Rule Discovery with Reinforced and Recurrent Relational Reasoning

【作者团队】Shengyao Lu, Bang Liu, Keith G. Mills, Shangling Jui, Di Niu

【发表日期】2022.5.14

【论文链接】https://arxiv.org/pdf/2205.06454.pdf

【推荐理由】系统性，即在对关系数据进行推理的同时重新组合已知部分和规则以形成新序列的能力，对机器智能至关重要。具有较强系统性的模型能够训练小规模任务，并推广到大规模任务。本文提出了R5-基于强化学习的关系推理框架，它对关系图数据进行推理，并从观察中明确挖掘潜在的组成逻辑规则。R5具有较强的系统性，并且对噪声数据具有鲁棒性。它由一个策略值网络和一个用于规则挖掘的回溯重写机制组成，策略值网络配备了Monte Carlo树搜索来执行递归关系预测。通过交替应用这两个分量，R5逐渐从数据中学习一组显式规则，并执行可解释和可概括的关系预测。并对多个数据集进行了广泛的评估。实验结果表明，R5在关系预测任务上优于各种基于嵌入和规则归纳的基线，同时在发现基本事实规则方面实现了高召回率。

内容中包含的图片若涉及版权问题，请及时与我们联系删除